Title: Integration of segmentation in point cloud classification
Other Titles: Punktwolkenklassifizierung durch Segmentierung
Language: English
Authors: Shabani, Arbnor 
Qualification level: Diploma
Advisor: Pfeifer, Norbert  
Assisting Advisor: Pöchtrager, Markus 
Issue Date: 2019
Number of Pages: 68
Qualification level: Diploma
Abstract: 
Dichte Punktwolken aus Airborne Laserscanning (ALS) können verwendet werden um verschiedene Objektklassen, wie zum Beispiel Gebäude, Vegetation oder Wasseroberflächen, in der Landschaft zu identifizieren und zu unterscheiden. Die Segmentierung von Punktwolken kann dabei sowohl zur Unterstützung der Klassifizierung genutzt werden, als auch für die Bestimmung von weiteren Objekteigenschaften (Features) für logische Einheiten von Punkten einer Objektklasse. Diese Diplomarbeit präsentiert eine segmentbasierte Klassifizierungsmethode, in welcher abhängig von den Punkteigenschaften in einer Punktwolken-Vorverarbeitung sieben Segmentierungsverfahren entwickelt und genutzt wurden um einen Trainingsdatensatz für die Klassifizierung zu generieren. Dieser Trainingsdatensatz besteht aus vorklassifizierten Punkten der Klassen Vegetation, Gebäudedach, Gebäudemauer, Gelände, Fahrzeug, Wasser, Stromleitung. Ziel dieser Arbeit ist die Information aus der Segmentierung zu nutzen um die Klassifikation für die sieben relevanten Klassen zu verbessern. Punktwolken aus Airborne Laserscanning der Stadt Wien wurden ausgewählt um diese Klassifizierung zu testen. Der gesamte Workflow wurde in OPALS umgesetzt. Die modulbasierte Software wird an der TU Wien entwickelt, um große ALS Punktwolken zu verarbeiten. Die in dieser Arbeit entwickelte Methode zeigt gute Klassifizierungsergebnisse (Gesamtgenauigkeit ist 86.9%) im Vergleich zu einem manuell klassifizierten Datensatz und liefert eine sehr gute interne Genauigkeit von 94.8% auf den Trainingsdaten. Durch die gezielte Methodenentwicklung für die sieben Klassen ergeben sich Einschränkungen und Schwächen im Bezug auf die universelle Anwendbarkeit und Robustheit der Methode, welche bei der Anwendung des trainierten Modelles auf den Testdaten festgestellt werden konnten. Dies zeigt, wie wichtig es ist, genaue Punktattribute zu berechnen und eine ordnungsgemäße Segmentierung und Klassifizierung der interessierenden Objekte durchzuführen.

High density point clouds of airborne laser scanning measurements can be used to identify several object classes as buildings, vegetation or water surface. Point cloud segmentation can support classification and further feature extraction considering that segments are logical groups of points belonging to the same object class. This thesis presents a segment-based classification method, in which depending on the point features and attributes in the pre-processing step, a segmentation algorithm is executed seven times on the point cloud in order to extract point clusters belonging to different classes. These parts are used as a training set for classifying vegetation, building roof and wall, ground, vehicle, water and power lines. It is aimed that these segments as incorporated in the classification process will provide results comparable with the state of the art. Airborne Laser Scanning (ALS) point cloud datasets from the Municipality of Vienna are used, in an area where all the classes of interest are present. The whole workflow was implemented in OPALS, a modular software developed from TU Wien with the purpose to process airborne laser scanning data. The developed approach shows high classification results (overall accuracy is 86.9 %) based on the manual classified dataset and an internal accuracy of 94.8 % of the training data. However, there are some limitations of the method in terms of robustness and universal applicability, which were detected when applying the trained model to the test data. This expresses the importance of calculating accurate point attributes and performing a proper segmentation and classification of the objects of interest.
Keywords: Luftgestütztes Laserscanning; Semantische Segmentierung; Maschinelles Lernen
airborne laser scanning; semantic segmentation; machine learning
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-128756
http://hdl.handle.net/20.500.12708/6508
Library ID: AC15465257
Organisation: E120 - Department für Geodäsie und Geoinformation 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

212
checked on Jul 21, 2021

Download(s)

158
checked on Jul 21, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.